＼「見えない建物被害」も見抜く！？／水害後建物被害評価AIの新たなベンチマークを開発

見落としを防ぐ「再現率」重視のアプローチで人命救助に貢献

2025-7-29●工学系

工学研究科教授福田知弘

衛星画像を用いた水害後の建物被害評価（Flood-BDA）に特化した深層学習モデルの性能を評価するための、世界初の体系的なベンチマークを確立しました。
災害発生直後に大量のラベル付けされた訓練データを入手することは難しいが、新たに開発した半教師あり学習（SSL）の手法は、わずか10%のラベル付きデータで完全教師あり学習の約74%の性能を達成し、水害シナリオにおける「画像レベル一貫性正則化(Consistency Regularization)」手法の有効性を実証しました。
新たに提案した軽量な深層学習モデル「Simple Prior Attention Disaster Assessment Net (SPADANet)」は、「被災建物の見逃し」という致命的なエラーを大幅に削減し、再現率をベースラインモデルと比較して約9%向上させました。
本研究は、将来の災害対応AIに不可欠な設計原理を提示し、人命救助活動のための、より迅速かつ効率的な深層学習モデルの開発に貢献します。

概要

大阪大学大学院工学研究科のYU Jiaxiさん (２０２5年３月博士前期課程修了)、福田知弘教授、矢吹信喜名誉教授（現・東京都市大学特任教授）の研究グループは、水害後の建物被害を迅速かつ正確に評価するための新たなAI技術を開発しました。本技術は、ラベル付きの訓練データが限られるという災害時の典型的な課題に対応するため、深層学習と半教師あり学習を組み合わせた点が特徴です。

迅速かつ正確な建物被害評価（BDA）は効果的な災害対応に不可欠ですが、災害直後に大量のラベル付きデータを入手することの困難さや、衛星画像における被害の兆候が微妙であるという課題に直面しています。既存の深層学習による変化検出（Change Detection）モデルは、再現率が低い、あるいは被害レベルを誤分類する（例：「全壊」を「被害なし」と誤認する）といった問題がありました。これらの課題に対処するため、本研究はまず水害後評価に特化したベンチマークを確立し、教師あり学習モデルの転移可能性と半教師あり学習（SSL）の性能を体系的に評価しました。

研究の結果、「疑似ラベル」(pseudo label)から生成された参照分布を用いる画像レベル一貫性正則化を伴うSSL戦略が、データが乏しい状況（例：ラベル付きデータが5%のみの場合、カッパ係数(Kappa)が平均1.17%向上）においてモデルの性能を著しく向上させることが判明しました。

さらに、従来の変化検出モデルが持つ低リコールの限界を克服するため、「SPADANet」と名付けたシンプルで軽量なAIモデルを新たに提案しました。このモデルは「事前アテンション(Prior Attention)モジュール」をU-Netアーキテクチャに統合したものです。実験により、SPADANetは精度とのトレードオフがあるものの、再現率において著しい改善（最も性能の良いベースラインモデルを9.22%以上上回る）を達成することが示されました。また、実際には被害が発生しているにも関わらず「被害なし」と誤分類するケースは好ましくありませんが、SPADANetはこのようなケースを減らすように設計されているため、災害対応の要求により適しています。

本研究成果は、２０２5年７月２４日（木）（日本時間）に、学術雑誌「International Journal of Disaster Risk Reduction」（Elsevier社）にオンライン掲載されました。

図1. 水害データセットの特徴。 (a) 従来の変化検出（CD）画像との比較。(b) xBDデータセット全体における水害データセットのサンプル数。

研究の背景

水害のような自然災害の後、迅速かつ正確な被害評価は不可欠です。AIを活用した衛星画像の解析は有望なツールですが、主に2つの大きな課題に直面しています。

● 災害発生直後に、精度の高いラベル付けされた大量の訓練データを入手することが困難であること。
● 他の災害による明白な破壊とは異なり、水害による建物の損傷は衛星画像上では非常に微妙な変化としてしか現れない場合があること（図1）。

これらの背景から、水害特有の性質に特化したAIベンチマークの構築が急務となっていました。

研究の内容

これらの課題に対処するため、研究チームは2つの核となる要素を持つフレームワークを開発しました（図2）。

● 画像レベル一貫性正則化（SSL）:
このSSL戦略は、ラベルなしデータに対して一貫性正則化とエントロピー最小化を組み合わせた包括的なアプローチを採用しています。これにより、実用的な摂動として、ラベルなしデータの正解ラベル分類分布に近似する可能性が最も高い4つの画像レベル参照分布を仮定し、モデルの学習を促進します。

● 事前アテンションメカニズム（教師あり学習）:
この改善はモデルアーキテクチャに特化したものです。時間的関係、自己注意、空間的抑制のどの事前アテンションが被害評価タスクにより適しているかを判断し、半教師あり学習の実験に教師あり信号を提供します。

図2. 水害後の建物被害評価のための深層学習アプローチの全体像。

SPADANetの有効性は、教師あり学習の実験で明確に検証されました。図3に示すように、SPADANetは他の成熟したCDモデルが完全に見逃したり、部分的にしか検出できなかったりした被災建物（赤色部分）を、完全かつ成功裏に識別しました。この視覚的証拠は、定量的データによって裏付けられています。SPADANetのリコールは79.10%に達し、ベンチマークで最も性能の高かった従来モデル（CDNet）と比較して9.22%以上の改善を達成しました。特筆すべきは、極めて低いパラメータ数（1.35M）と計算コストを維持しながらこの優れた性能を実現しており、緊急時の迅速な展開に非常に適していることです。

図3. 二値分類・教師あり学習の結果の視覚的比較。白色は被害のない建物、赤色は被災した建物を表す。「Pre」と「Post」は災害前後の衛星画像、「GT」は正解データ（Ground Truth）をそれぞれ示す。黄色の枠は重要箇所の拡大図。

本研究成果が社会に与える影響(本研究成果の意義)

本研究は、AI駆動型の災害評価分野における極めて重要なブレークスルーです。その最大の功績は、従来の変化検出（CD）モデルを災害対応に直接適用することの限界を科学的に示し、より実践的で目的に合った解決策を提供した点にあります。

● 水害建物被害評価向けベンチマークの確立：
この分野における世界初の体系的な「ものさし」を提供します。これにより、将来のすべての研究開発において客観的で信頼性の高い比較が可能となり、タスクに最も適したモデルの選定を促進します。

● 再現率駆動型の災害対応AI設計原理の検証：
精度よりも再現率（見逃しを最小化すること）を優先することが、より運用上意義のある結果につながることを証明し、重要な指針を提供します。これにより、AI開発の焦点が、より直接的に人命救助に結びつく応用へとシフトします。

● 実世界シナリオで利用可能な実用的ツールの提供：
提案された軽量な「SPADANet」モデルとSSLフレームワークは、災害後のデータ不足という現実世界の課題に対する具体的な解決策です。これにより、実際の災害管理システムにおける低コストで迅速な展開への道が拓かれます。

今後、研究チームは、これらの検証済み手法を地震や地滑りなど他の種類の災害にも拡張し、包括的な災害対応のための多目的で堅牢なAIプラットフォームの構築を最終目標としています。

特記事項

本研究成果は、２０２５年７月２４日（木）（日本時間）に、学術雑誌「International Journal of Disaster Risk Reduction」（Elsevier社）にオンライン掲載されました。

タイトル: “Benchmarking Attention Mechanisms and Consistency Regularization Semi-supervised Learning for Post-flood Building Damage Assessment”
著者名:Jiaxi Yu, Tomohiro Fukuda, and Nobuyoshi Yabuki
DOI: https://doi.org/10.1016/j.ijdrr.2025.105664

参考URL

福田知弘教授　研究者総覧：
https://rd.iai.osaka-u.ac.jp/ja/d2782e4b9c864b39.html

＜関連するこれまでの研究成果＞
・＼自由な視点で楽しめる複合現実感！／一般的なドローンでも体験できるMRシステム（2024/6/6）
https://resou.osaka-u.ac.jp/ja/research/2024/20240606_2

・洪水リスクを可視化！サーバレンダリング型MRを開発（2024/5/28）
https://resou.osaka-u.ac.jp/ja/research/2024/20240528_1

・＼AI・深層学習の準備コストを大幅減／実在しない都市画像の合成データセットを自動生成（2023/9/21）
https://resou.osaka-u.ac.jp/ja/research/2023/20230921_3

・都市デジタルツインから合成データセットを自動生成（2022/9/6）
https://resou.osaka-u.ac.jp/ja/research/2022/20220906_2

・建物取り壊し後の景観シミュレーションをリアルタイムに（2022/7/29）
https://resou.osaka-u.ac.jp/ja/research/2022/20220729_1

・障害物を除去し建物ファサードの全景を効率的に復元する方法を開発（2021/9/7）
https://resou.osaka-u.ac.jp/ja/research/2021/20210907_1

・建物の機能分類（住宅・オフィス・商業施設等）と建物ファサードカラー測定による大都市スケールの空間分析法（2021/9/6）
https://resou.osaka-u.ac.jp/ja/research/2021/20210906_2

・航空写真の薄雲を自動で除去深層学習用建物マスク画像の自動生成（2021/8/20）
https://resou.osaka-u.ac.jp/ja/research/2021/20210820_1

・景観シミュレーション用のMRに新技術（2021/3/24）
https://resou.osaka-u.ac.jp/ja/research/2021/20210324_1

・景観シミュレーション用の DR に新技術（2020/6/17）
https://resou.osaka-u.ac.jp/ja/research/2020/20200617_1

SDGsの目標

用語説明

ベンチマーク: 物事を比較・評価する際の基準となる標準や参照点。
半教師あり学習（SSL）: SSL＝Semi-supervised Learningの略。少量のラベル付きデータと大量のラベルなしデータを用いて学習する機械学習のアプローチ。ラベリングにコストがかかる、またはデータが乏しい状況に有効。
一貫性正則化(Consistency Regularization): SSLの手法の一つ。入力がわずかに変更されても、モデルが同じ予測を生成するように促す技術で、ラベルなしデータから頑健な特徴を学習するのに役立つ。
Prior Attention: 事前アテンション。ニューラルネットワークにおいて、データからのみアテンションパターンを学習するのではなく、事前定義された仮定や知識を組み込んでモデルの焦点を誘導するアテンションメカニズム。
再現率: 実際に陽性であるサンプルのうち、正しく陽性と予測されたサンプルの割合を示す指標。値が高いほど、モデルがより多くの被災建物を検出できることを示唆する。一方で、被害のない建物を誤って被害ありと分類したり、被害レベルの誤分類が増えたりする可能性もある。
カッパ係数 (Kappa): モデルの予測と正解の一致度を測る指標で、偶然によって期待される一致度を補正する。不均衡データセットにおいて、モデルが多数派クラスを予測するだけで高くなることがあるOA（Overall Accuracy）とは異なり、カッパ係数は予測クラスと実際クラスの周辺分布に基づいた偶然の一致の可能性を明示的に考慮する。
パラメータ数: モデルのパラメータのサイズは、展開の容易さと計算推論に必要な時間を示す。パラメータ値が低いほど、計算効率の面で大きな利点がある。

キーワード

建物被害評価水害深層学習衛星画像半教師あり学習アテンションメカニズム SDGs

この研究についてひとこと

福田知弘